本發(fā)明涉及商品推薦，具體地說(shuō)，涉及一種云端協(xié)同場(chǎng)景下基于元學(xué)習(xí)的商品推薦方法及系統(tǒng)。

背景技術(shù)：

1、推薦系統(tǒng)使用某種方法或技術(shù)從網(wǎng)絡(luò)中爆炸增長(zhǎng)的各種信息中向用戶推薦感興趣的項(xiàng)目或服務(wù)，比如淘寶中的商品，從而解決互聯(lián)網(wǎng)中的信息過(guò)載問(wèn)題，已經(jīng)成為大數(shù)據(jù)時(shí)代不可或缺的基礎(chǔ)設(shè)施。為用戶提供個(gè)性化的推薦是推薦系統(tǒng)的一大目標(biāo)。云端協(xié)同場(chǎng)景下的推薦系統(tǒng)發(fā)揮了云端和終端各自的優(yōu)勢(shì)、協(xié)同合作，達(dá)到高效準(zhǔn)確的推薦，因此受到了廣泛的使用。

2、云端協(xié)同框架下推薦系統(tǒng)涉及云服務(wù)器向用戶設(shè)備推薦物品。在基于云學(xué)習(xí)的主流框架下推薦系統(tǒng)通常的做法是從大量用戶那里收集數(shù)據(jù)，在云上對(duì)所有用戶的數(shù)據(jù)訓(xùn)練一個(gè)全局模型，并使用該模型為不同的用戶提供推薦服務(wù)。然而，僅靠云端的集中式模型訓(xùn)練會(huì)導(dǎo)致高活躍度的用戶主導(dǎo)推薦結(jié)果，從而無(wú)法實(shí)現(xiàn)對(duì)每個(gè)用戶的個(gè)性化推薦。為了實(shí)現(xiàn)對(duì)每個(gè)用戶的個(gè)性化推薦，一個(gè)可能的想法是考慮在每個(gè)用戶的移動(dòng)設(shè)備上學(xué)習(xí)個(gè)性化模型。然而，用戶設(shè)備上的本地?cái)?shù)據(jù)存在著稀疏的問(wèn)題，因此僅靠終端在本地?cái)?shù)據(jù)上進(jìn)行訓(xùn)練會(huì)導(dǎo)致過(guò)擬合的問(wèn)題。解決這些問(wèn)題是云端協(xié)同推薦系統(tǒng)能夠良好運(yùn)轉(zhuǎn)、為用戶提供個(gè)性化推薦的重要保證。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的內(nèi)容是提供一種云端協(xié)同場(chǎng)景下基于元學(xué)習(xí)的商品推薦方法及系統(tǒng)，其能夠發(fā)揮云端和終端各自的優(yōu)勢(shì)，協(xié)同合作，能較佳地為用戶提供個(gè)性化的推薦。

2、根據(jù)本發(fā)明的一種云端協(xié)同場(chǎng)景下基于元學(xué)習(xí)的商品推薦方法，其包括以下步驟：

3、一、用戶發(fā)布需購(gòu)買商品的推薦需求；

4、二、基于用戶相似聚類的數(shù)據(jù)增強(qiáng)：首先利用聚類方法在云端粗粒度的尋找相似用戶，之后在終端進(jìn)行細(xì)粒度的數(shù)據(jù)篩選，選擇出合適的數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)；

5、三、基于元學(xué)習(xí)的個(gè)性化模型訓(xùn)練：首先在云端進(jìn)行元模型的訓(xùn)練，再在終端在元模型的基礎(chǔ)上進(jìn)行用戶個(gè)性化模型的訓(xùn)練；

6、四、基于訓(xùn)練好的用戶個(gè)性化模型對(duì)用戶進(jìn)行個(gè)性化商品推薦。

7、作為優(yōu)選，步驟二中，尋找相似用戶包括以下步驟：

8、步驟1.1：利用用戶個(gè)人信息及用戶與項(xiàng)目的歷史交互數(shù)據(jù)，生成用戶特征向量；

9、步驟1.2：將生成的用戶特征向量發(fā)送到云端，并儲(chǔ)存在云端的用戶和特征向量的映射表中；

10、步驟1.3：對(duì)于用戶，對(duì)映射表中存儲(chǔ)的特征向量進(jìn)行k-means聚類以尋找相似用戶，并返回用戶所在的簇；

11、步驟1.4：從用戶所在的簇中中尋找k個(gè)最近向量，將這k個(gè)用戶作為相似用戶并將它們的數(shù)據(jù)傳到終端。

12、作為優(yōu)選，步驟二中，數(shù)據(jù)篩選包括以下步驟：

13、步驟2.1：將用戶的本地和云端數(shù)據(jù)訓(xùn)練一個(gè)自編碼器；

14、步驟2.2：將云端傳來(lái)的匹配數(shù)據(jù)輸入訓(xùn)練好的自編碼器，計(jì)算輸入和輸出數(shù)據(jù)之間的余弦相似度；

15、步驟2.3：篩選結(jié)果大于設(shè)定閾值的數(shù)據(jù)作為增強(qiáng)數(shù)據(jù)并保存在設(shè)備上。

16、作為優(yōu)選，步驟三中，元模型的訓(xùn)練包括以下步驟：

17、步驟3.1：初始化模型m的參數(shù)θ，設(shè)定訓(xùn)練epoch數(shù)，內(nèi)部學(xué)習(xí)率α和外部學(xué)習(xí)率β；

18、步驟3.2：令之前用戶相似性聚類的每個(gè)簇的用戶作為一個(gè)任務(wù)，對(duì)每個(gè)epoch，采集一批任務(wù)t，對(duì)于每個(gè)任務(wù)t∈t，從這個(gè)任務(wù)的訓(xùn)練數(shù)據(jù)中抽取支持集和查詢集；

19、步驟3.3：對(duì)每個(gè)任務(wù)t執(zhí)行內(nèi)循環(huán)：遍歷支持集，求交叉熵?fù)p失，相加后進(jìn)行一次梯度下降，其中內(nèi)部學(xué)習(xí)率為α，再遍歷查詢集，求交叉熵?fù)p失，相加作為任務(wù)t的總損失；

20、步驟3.4：外循環(huán)：把每個(gè)任務(wù)的總損失相加并進(jìn)行梯度下降，其中外部學(xué)習(xí)率為β，并更新內(nèi)部學(xué)習(xí)率α，進(jìn)行下一輪循環(huán)；

21、步驟5：循環(huán)結(jié)束后得到云端模型。

22、作為優(yōu)選，步驟三中，用戶個(gè)性化模型的訓(xùn)練包括以下步驟：

23、步驟4.1：從終端用戶u的增強(qiáng)數(shù)據(jù)抽取支持集和查詢集；

24、步驟4.2：在云端模型的基礎(chǔ)上遍歷支持集，求交叉熵?fù)p失，相加后進(jìn)行若干次梯度下降，其中內(nèi)部學(xué)習(xí)率為α，再遍歷查詢集，計(jì)算評(píng)估指標(biāo)，得到個(gè)性化模型。

25、步驟四中，系統(tǒng)為用戶提供推薦服務(wù)的過(guò)程分為兩種情況：

26、(1)對(duì)于新注冊(cè)的用戶，在沒(méi)有產(chǎn)生歷史記錄的情況下根據(jù)其注冊(cè)時(shí)所提交的個(gè)人信息為其提供隨機(jī)的推薦內(nèi)容；

27、(2)對(duì)于存在歷史記錄的已有用戶，依據(jù)用戶個(gè)性化模型訓(xùn)練過(guò)程在終端訓(xùn)練用戶個(gè)性化模型，并將模型存儲(chǔ)于臨時(shí)區(qū)域供未來(lái)的訪問(wèn)請(qǐng)求使用；當(dāng)用戶產(chǎn)生了新的瀏覽記錄后，依據(jù)步驟4.1和4.2更新本地模型。

28、本發(fā)明提供了一種云端協(xié)同場(chǎng)景下基于元學(xué)習(xí)的商品推薦系統(tǒng)，其采用上述的一種云端協(xié)同場(chǎng)景下基于元學(xué)習(xí)的商品推薦方法。

29、本發(fā)明通過(guò)相似用戶聚類粗粒度地尋找類似用戶的數(shù)據(jù)，之后在終端進(jìn)一步對(duì)數(shù)據(jù)進(jìn)行細(xì)粒度的篩選，利用云端擁有的充足數(shù)據(jù)幫助擴(kuò)充終端的稀疏數(shù)據(jù)。本發(fā)明采用元學(xué)習(xí)方法進(jìn)行模型訓(xùn)練，將相似聚類后每個(gè)簇的用戶作為一個(gè)任務(wù)，以避免訓(xùn)練時(shí)的局部最優(yōu)。之后將訓(xùn)練個(gè)性化模型的任務(wù)卸載到終端，利用元學(xué)習(xí)快速適應(yīng)新任務(wù)的特性，可以很好地用于計(jì)算資源受限的移動(dòng)設(shè)備，達(dá)到為每個(gè)用戶高效訓(xùn)練個(gè)性化模型的目的，同時(shí)減輕云端的負(fù)擔(dān)。本發(fā)明可以有效地應(yīng)用于云端協(xié)同場(chǎng)景下的商品推薦系統(tǒng)，發(fā)揮云端和終端各自的優(yōu)勢(shì)，協(xié)同合作，為用戶提供個(gè)性化的商品推薦。

技術(shù)特征：

1.一種云端協(xié)同場(chǎng)景下基于元學(xué)習(xí)的商品推薦方法，其特征在于：包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種云端協(xié)同場(chǎng)景下基于元學(xué)習(xí)的商品推薦方法，其特征在于：步驟二中，尋找相似用戶包括以下步驟：

3.根據(jù)權(quán)利要求2所述的一種云端協(xié)同場(chǎng)景下基于元學(xué)習(xí)的商品推薦方法，其特征在于：步驟二中，數(shù)據(jù)篩選包括以下步驟：

4.根據(jù)權(quán)利要求3所述的一種云端協(xié)同場(chǎng)景下基于元學(xué)習(xí)的商品推薦方法，其特征在于：步驟三中，元模型的訓(xùn)練包括以下步驟：

5.根據(jù)權(quán)利要求4所述的一種云端協(xié)同場(chǎng)景下基于元學(xué)習(xí)的商品推薦方法，其特征在于：步驟三中，用戶個(gè)性化模型的訓(xùn)練包括以下步驟：

6.根據(jù)權(quán)利要求5所述的一種云端協(xié)同場(chǎng)景下基于元學(xué)習(xí)的商品推薦方法，其特征在于：步驟四中，系統(tǒng)為用戶提供推薦服務(wù)的過(guò)程分為兩種情況：

7.一種云端協(xié)同場(chǎng)景下基于元學(xué)習(xí)的商品推薦系統(tǒng)，其特征在于：其采用如權(quán)利要求1-6中任一所述的一種云端協(xié)同場(chǎng)景下基于元學(xué)習(xí)的商品推薦方法。

技術(shù)總結(jié)
本發(fā)明涉及商品推薦技術(shù)領(lǐng)域，提供一種云端協(xié)同場(chǎng)景下基于元學(xué)習(xí)的商品推薦方法及系統(tǒng)，方法包括以下步驟：一、用戶發(fā)布需購(gòu)買商品的推薦需求；二、基于用戶相似聚類的數(shù)據(jù)增強(qiáng)：首先利用聚類方法在云端粗粒度的尋找相似用戶，之后在終端進(jìn)行細(xì)粒度的數(shù)據(jù)篩選，選擇出合適的數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)；三、基于元學(xué)習(xí)的個(gè)性化模型訓(xùn)練：首先在云端進(jìn)行元模型的訓(xùn)練，再在終端在元模型的基礎(chǔ)上進(jìn)行用戶個(gè)性化模型的訓(xùn)練；四、基于訓(xùn)練好的用戶個(gè)性化模型對(duì)用戶進(jìn)行個(gè)性化商品推薦。本發(fā)明能夠發(fā)揮云端和終端各自的優(yōu)勢(shì)，協(xié)同合作，能較佳地為用戶提供個(gè)性化的商品推薦。

技術(shù)研發(fā)人員：尹瑞平,陳昊,楊震,張毓烜
受保護(hù)的技術(shù)使用者：北京工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/9/17